近几年，充分感受到时代宏阔与巨变，浪潮之下，个体如泥沙般渺小，难抗威力。
2015互联网金融热年，才知原来科技已这般影响我们的生活。紧接着2016年，人工智能便“嗖”地一下冲入眼球，成为政府工作报告中的重要关键词，以及当年“十大关键词”之一。
如今人工智能正在从既往概念范畴逐步落地应用，比如打开新电脑，有智能机器人语音引导我们安装使用。比如，孩子开始渴望更多的机器式玩具，甚至机器人玩伴。比如，像头号玩家那种让人分不清是在虚拟世界还是现实世界生活的游戏体验，已经出现在商场或者游乐场，孩子的消费清单已增加这一项……
人工智能很有可能会以更快的普及速度，成为今后伴随孩子人生成长的重要角色，他们的兴趣爱好、思维方式、行为决策等各方面也势必会受到影响。
今后，我们需要以何种心态、思维学习成长，如何参与孩子的成长，这些都将是比较实际且棘手的问题。
李开复、王咏刚合著的《人工智能》，可以当做是了解学习人工智能领域的入门书籍。
书中系统性地介绍、分析、探讨了人工智能引发的社会热潮、什么是人工智能、人工智能发展程度，人工智能带给社会革新的影响，人工智能时代的创新创业机会，以及人工智能时代的学习及教育思路与方法等诸多现实性问题。
梳理了书中一些精华内容，如果你没时间看全书，希望本文能让你心有所获。
01深度学习推动AI发展
从20世纪60年代至今，人工智能发展共经历了三次热潮：
第一次：20世纪60年代前后；第二次：20世纪80年代到90年代；第三次：2006年开始。
和前两次AI热潮相比，这一次人工智能复兴的最大特点，就是AI在多个相关领域表现出可以被普通人认可的性能或效率，由现实商业需求主导，并被成熟的商业模式接受，开始在产业界发挥出真正的价值，解决相关问题。
这一拨人工智能浪潮发展，绝大部分功劳要归于深度学习。
什么是深度学习？
深度学习和所有机器学习方法一样，是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域相似问题的过程。
这个过程有点类似小朋友通过识字卡片认字。计算机先把每一个字的图案反复看很多很多遍，然后，在计算机的大脑（处理器加上存储器里），总结出一个规律，以后计算机再看到类似图案，只要符合之前总结的规律，计算机就能知道这图案到底是什么字。
计算机用来学习、反复看的图片叫“训练数据集”，这里面，一类数据区别于另一类数据的不同方面的属性或特质，叫做特征。计算机在大脑中总结规律的过程，叫建模。计算机在大脑中总结出的规律，叫模型，而计算机反复看图，总结出规律，就叫机器学习。
深度学习大致就是用人类的数学知识与计算机算法构建起整体架构，再结合尽可能多的训练数据以及计算机的大规模运算能力去调节内部参数，尽可能逼近问题目标的半理论、半经验的建模方式。
目前深度学习主要是建立在大数据的基础上，即对大数据进行训练，并从中归纳出可以被计算机运用在类似数据上的知识或规律。其中，今天的大数据主要积累于2000年后，因为信息交换，信息存储，信息处理三个方面能力的大幅增长而产生的数据。
02AI会让很多人失业吗
今天的人工智能相对来说处于弱人工智能范畴，更多被用来解决特定领域相应问题。再进一步发展，人工智能会逐渐升级为强人工智能和超人工智能，尤其是后者，在科学创造力、智慧和社交能力等每一方面都远超人类大脑。
科技发展的加速度规律可以让人工智能更早实现，硬件的快速发展和软件的创新是同时发生的，强人工智能可能比我们预期的更早降临，因为：
1）指数级增长的开端可能像蜗牛漫步，但是后期会跑得非常快。
2）软件的发展可能看起来很缓慢，但是一次顿悟，就能永远改变进步的速度。
（布莱恩·阿瑟《技术的本质》对此观点阐述颇为深透细致，感兴趣的可找来一读。）
变化之下，这两年大家讨论最多的问题就是：会不会有很多人失业？
2016年底，物理学家史蒂芬·霍金在英国《卫报》发表文章说，工厂的自动化已经让众多传统制造业工人失业，人工智能的兴起很有可能会让失业潮波及中产阶级，最后只给人类留下护理、创造和监管等工作。
果真会如此吗？
在《人工智能》一书中，李开复给出了一个五秒钟准则：
如果一个人可以在5秒钟内对工作中需要思考和决策的问题做出相应的决定，那么，这项工作就有非常大的可能被人工智能技术全部或部分取代。
一句白话总结就是：如果你只会用你的手，那么人工智能将取代你。
反之，如果你的工作涉及缜密思考，周全的推理或复杂的决策，每个具体判断并非人脑可以在5秒钟的时间内完成，那么，以目前的技术来说，你的工作是很难被技术取代的。
再进一步讲，我们会不会被取代，除了源自我们当前的工作性质、工作状态，也与我们自身的心态、情商、成长力等多方面息息相关，更要看我们如何界定这一问题。
纵观人类数千年漫漫文明史，由于科技进步而造成的社会格局，经济结构的调整、变革、阵痛乃至暂时的倒退都屡见不鲜。
从局部看，很多划时代的科技成果必然引发人们生活方式的改变，短期内很可能难以被接受，不过站在足够的高度上，放眼足够长的历史变迁，所有重大的科技革命无一例外地最终成为人类发展的加速器，也是人类生活品质提高的根本保障。
因此特别是在一个适应人工智能时代的社会保障和教育体系建立之前，阵痛在所难免。但从长远看，这种转变绝不是一种以大规模失业为标志的灾难性事件，而是人类社会结构，经济秩序的重新调整，在调整基础上，人类工作会大量转变为新的工作类型，从而为生产力的进一步解放，人类生活的进一步提升，打下更好的基础。
技术发展将造成一部分简单工作、底层工作的消失或转变，某些领域又会诞生新的工作，更需要人类判断力和创造力的工作类型。如设计师，架构师，建筑师，流程设计和管理者，艺术家，文学家……
其工作不但不会被取代，反而会成为未来稀缺资源，吸引更多在社会和经济转型中愿意尝试新领域的人类从事类似工作。
机器带给人类的不是失业，而是更大的自由与更加个性化的人生体验。未来是一个人类和机器共存，协作完成各类工作的全新时代。工作转型在所难免。
AI是人类的工具，技术本身不是问题，人的障碍除了来自与之配合的社会和经济结构、制度，也来自自身。
认清这些，我们所要做的，不是担忧和惧怕，而是尽早认清AI与人类的关系，升级认知和行为路径。了解变革的规律，尽早制定更能适应新时代需求的劳动保障制度，教育制度等，以便更好地迎接新时代的到来。
03我们还将面临哪些问题？如何应对？
从刀耕火种时代至今，人类历史上的协作分工，基本都遵循一个类似金字塔形状的社会结构模型：
少数人影响，领导和指挥较多的人，较多的人再进一步影响或管理更多的人，逐级向下，金字塔底层是大量从事简单、重复性劳动的人。
尤瓦尔·赫拉利说，研究历史，就是为了挣脱过去的桎梏，让我们能看到不同的方向，并开始注意到前人无法想象或过去不希望我们想象到的可能性……研究历史并不能告诉我们该如何选择，但至少能给我们提供更多的选项。
人工智能到来后，如果50%以上的简单、重复性工作在未来的一段时间内都会被人工智能取代，人类过去数千年来分工协作的金字塔结构会不会变得不再稳定？这大概涉及三个问题：
1.金字塔底层原本从事简单工作的人，如果都涌向金字塔中部甚至顶部，试图去尝试艺术创作，决策分析，领导管理等工作，金字塔会不会就此坍塌？
2.现代社会里，在金字塔结构中分工协作的人，本来是有一个从初级到高级的上升通道的。比如，在公司里，一个高层管理者通常需要从底层实际工作做起，通过学习和锻炼慢慢承担起中层管理工作，再经过一定时间的积累，最终走上高层管理岗位。如果底层工作都由机器来完成，人们是不是就缺少了向上发展所必须的实际锻炼机会？
3.更重要的是，如果未来失去工作的人，都必须从简单工作转换为相对复杂的脑力劳动，那么，他们要学习的知识体系对他们来说将是一个庞大的结构。那些中年失去工作的普通劳动者，他们怎么可能重新开始一次历时5年到10年的学习深造呢？
书中认为：金字塔结构不一定坍塌，更多可能是在现有基础上进行自我调整。
在上述挑战面前，人类的教育体制需要重启。整个教育体制应该更多地关注素质教育和高端教育，让每个人都有机会学习和尝试各种更复杂，或更需要人类创造力的工作种类，培养更多的博学之才，专深之才，文艺人才，领导人才。同时，职业教育则应及时关注那些设计人机协作的新技能、新工作，并大力拓展服务业相关的人才培训。
如同科幻作家郝景芳所说，在人工智能时代，人们不得不开始思考我能做什么，而结论必然是我能做的和机器人不一样的事。机器人会迅速占领所有标准化领域，而人类将在各种差异化产品的供应中寻觅新领地。
未来，工厂机器流水线留给机器人，人会以更加富有创造性的方式与流水线竞争。人的独特性会体现在“精神”领域：思考，创造，情感交流；人与人的依恋，归属感和协作精神；好奇，热情，志同道合的驱动力。
总之，人的综合感悟和对世界的想象力，才是人和机器人最大的差别和竞争力。创造者的个性化才是产品的价值所在。
04AI时代，孩子该学什么
与其讨论让孩子学什么，不如先讨论孩子该如何学。
2013年，包括哈佛大学前校长在内的一群美国著名教育家联合创办了一所神秘的四年制本科大学——密涅瓦大学，这是全美最严格的本科院校。
密涅瓦大学的创始人相信，传统四年制大学已经无法适应未来需要，大学教育过程本身需要被改革甚至被颠覆，在线课程，讨论小组，实习实践，自我探索和自我完善将成为今后教育的主流模式。
基于这样的思路，密涅瓦大学使用的是一套名为“沉浸式全球化体验”的教学方式。
所有入学新生都要在旧金山一个独特校区完成第一年学业。主题是“基础”，但学生所学课程与普通大学一年级课程有非常大差异。密涅瓦大学的教育家们相信，让学生付费去学网上随处都可以找到的基本课程，这是得不偿失的事。
因此，密涅瓦大学的一年课程直接将知识课程与四种极其重要的方法论结合起来，变成形式分析，实证分析，多元模式交流，复杂系统四大课程模块。
形式分析主要用于训练学生精密、合理思考的能力；实证分析重在培养创造性思维和解决问题的能力；多元模式交流则关注使用不同方法进行有效交流的能力；复杂系统重点在于复杂环境中的有效协作能力。
大二学生们的主题是“方向”，可以跟导师一起，从艺术与人文、计算科学、商学、自然科学、社会科学这五个方向中选定自己的专业，也可以攻读两个专业。
大三的主题是“专注”，要求学生深入各自专业方向的领域内部，培养精深的专业技能。
大四的主题是“综合”，重在培养学生学以致用的能力。
据介绍密涅瓦大学与谷歌、麦肯锡等企业有合作关系，培养出来的人才，很多都可以满足这些一线企业的实际需要。当前来讲，对密涅瓦大学的大胆实践，这种近乎颠覆式的模式到底是不是未来最好的教育形式，人们有很多争议，这也有待更长时间的检验。
不过，随着时代发展，一些学习观念、学习方法的确值得我们关注并借鉴：
1.主动挑战极限，在挑战中完善自我。
2.从实践中学习，面向实际问题和综合性，复杂性问题，将基础学习和实践应用充分结合，而不是先学习再实践。
3.关注启发式教育，培养创造力和独立解决问题的能力。
4.虽然面对面的课堂仍将存在，但互动式的在线学习将愈来愈重要。只有充分利用在线学习的优势，教育资源才能被充分共享，教育质量和教育公平性才有切实保证。
5.主动向机器学习。从人工智能的计算结果中吸取有助于改进人类思维方式的模型、思路甚至基本逻辑。
6.学习人-人协作，以及人-机协作。
7.学习要追随兴趣。无论是为了美，为了好奇心，为了其他原因产生的兴趣，这些兴趣都有可能达到更高层次，在这些层次里，人类才可以创造出机器不能替代的价值。
学习内容方面，能体现人的综合素质的技能，例如，人对于复杂系统的综合分析，决策能力，对于艺术和文化的审美能力和创造性思维，由生活经验及文化熏陶产生的直觉、常识、，基于人自身的情感（爱，恨，热情，冷漠等）与他人互动的能力，这些是人工智能时代最有价值，最值得培养学习的技能。
生存能力方面，人工智能时代，不要再期望孩子寻找安稳工作，安稳意味着简单，重复。安稳工作早晚都会被机器取代。我们要帮助下一代做最智慧的选择，选择那些相对不容易被套牢，或者可以与机器协同完成任务的工作。
05AI时代人的意义
人类永恒的追问。只是AI时代可能更为迫切。
相比于机器，人之所以为人，是因为我们有感情，会思考，懂生死。而感情，思考，自我意识，生死意识，等人类特质，正是需要我们全力培养，发展与珍惜的东西。
《真实的人类》里，合成人说，我不惧怕死亡，这使得我比任何人类更强大。而人类则说，你错了。如果你不惧怕死亡，那你就从未活着，你只是一种存在而已。
人的生命有限，才使得人类每个个体的思想和命运如此宝贵，如此独特。
法国哲学家莱兹帕斯卡说：人只不过是一根苇草，是自然界最脆弱的东西；但他是一根能思想的苇草。用不着整个宇宙都拿起武器才能毁灭。一口气，一滴水就足以致他死命了。然而，纵使宇宙毁灭了他，人却仍然要比致他于死命的东西更高贵得多，因为他知道自己要死亡，以及宇宙对他所具有的优势，而宇宙对此却是一无所知。因而，我们全部的尊严就在于思想。
人类可以借助机器这个工具来提高自己，让自己的大脑在更高层次上完成机器无法完成的复杂推理、复杂决策以及复杂的情感活动。
06附：有关认知的三个有趣理论
1.当你拥有一把锤子时，所有的东西都看起来像钉子。
就看你怎么理解。
一方面，在自己大脑中储存的知识经验越多，就越能将这些知识相互联系，并将旧的材料进行排列组合，转化为解决问题的能力。（再次推荐《技术的本质》，技术的进化与人的进化交替重叠，本质相同。）
但另一方面，也要避免认知陷阱，或思维陷阱。已有的知识（锤子）可能随时成为过去式，不适用于眼前的问题。很多时候，我们要做的不是验证已有知识和经验，更是根据新问题发现新方法，寻得新收获新体验。
2.心理阈值
心理学上说，人们接受一件新事物，就像人们感受一种外界刺激一样，是有一个心理阈值的。外界刺激（比如声、光、电）的强度太小的话，人们根本不会有任何感觉。只有外界刺激的强度超过了一个人能够感知的最小刺激量，人们才有听到了声音，看到了东西之类的明确感受。这个能引起人们感知反应的最小刺激量，心理学上叫绝对阈值。
信息时代，最不缺的就是信息，但难能可贵的是获取信息的意愿，以及如何将信息转化成有利于自身知识的能力。这其中需要大量学习积累，很多事情，都需要时间见证。孩子学习更是如此，在他们小时候，我想做好两点就好了：一是让他不讨厌学习这件事，二是养成坚持和专注的习惯，在做的过程中认真以待。
3.缺点放大镜
从投资者的角度看，越是追求与人长得一样，试图像人一样说话，做事的机器人项目，就越没有商业前景。这个道理很简单：机器越像人，人类就越容易拿真人与它相比较。这时，技术的不足会暴露无遗，在“缺点放大镜”的作用下，这种机器人只会显得无比愚蠢和笨拙。大多数用户会更喜欢一个有一定沟通能力，比较可爱甚至很萌的小家电，而不是一个处处缺陷的全功能人形机器人。
